轻量级深度学习框架用于准确检测与运动有关的骨折
Akmalbek Abdusalomov1, Sanjar Mirzakhalilov2, Sabina Umirzakova1
1Department of Computer Engineering, Gachon University, Seongnam 13120, Republic of Korea.
Diagnostics (Basel, Switzerland)
|February 13, 2025
概括
一个新的深度学习框架使用修改的DenseNet121准确检测运动相关的骨折,提高诊断效率和运动员的结果.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 运动医学 运动医学
背景情况:
- 与运动相关的骨折在体育医学中提出了诊断挑战.
- 对于微妙的骨折,传统的方法可能容易出错,并且效率低下.
- 准确的骨折检测对于预防并发症和指导治疗至关重要.
研究的目的:
- 开发一个轻量级和高效的深度学习框架,以改进骨折检测.
- 为了提高运动相关骨折诊断的准确性和计算效率.
- 创建一个适合体育医学特定需求的工具.
主要方法:
- 提出了一个基于DenseNet121架构的新框架,具有修改后的层.
- 整合了一个Canny边缘探测器,以改善对结构不连续性的检测.
- 一个定制的体育骨折放射图数据集经过了预处理和增强.
主要成果:
- 该模型实现了90.3%的准确性,超过了ResNet-50,VGG-16和EfficientNet-B0.
- 它表现出高灵敏度 (0.89回忆) 和特异性 (0.875精度).
- 该框架表现出最低的计算复杂度 (0.54G FLOP,14.78M Params).
结论:
- 这种轻量级的框架为骨折检测提供了可扩展,准确和高效的解决方案.
- 它解决了体育医学诊断方面的关键挑战.
- 通过实时部署,改善临床工作流程和运动员结果的潜力.


